著力發展人工智慧「三駕馬車」，走在人工智慧最前沿

人工智慧飛速發展過程中，什麼是最重要的？日前，華泰科捷對合作夥伴——清華大學電子工程系王生進教授進行了專訪，他表示：演算法、算力、數據這三方面在人工智慧的發展過程中至關重要。那麼，這三者將會如何發展呢？

對於人工智慧發展的「三駕馬車」，華泰科捷CEO傅劍輝給出了未來的發展趨勢的分析：

演算法

集中開發底層演算法，優化應用層演算法

演算法，要尋求結構、原理等方面的突破。深度學習本質就是一種演算法，通過模擬大腦的神經網路，使得設備能夠像人腦一樣思考。在安防行業，基於深度學習人臉識別、圖像識別、車輛識別、語音識別等演算法將會推動行業快速發展，演算法迭代將會是推動安防+AI技術發展的根本。準確率更高、環境適應性更強、識別種類更加豐富，將會是我們奮鬥的目標。

算力

智能前端的邊緣計算+智能雲端的規模化計算

深度學習過程中「訓練」與「推演」均涉及大量並行計算，傳統的CPU明顯算力不足，而GPU、FPGA、ASIC具有良好並行計算能力，AI晶元可提供數十倍乃至上百倍於CPU的性能，大幅縮短計算過程，同時也方便調整多種模型架構，顯著提升模型的速度。

特別是隨著低功耗AI專用晶元的迭出，逐漸形成智能嵌入式前端(通過邊緣計算在前端完成結構化演算法預處理，獲取高質量結構化數據)和後端雲智能(大規模計算、存儲資源、多維度大數據信息分析)協同加速發展的勢態。

關注人員甄別則屬於公共安全範疇。因此所使用的生物特徵通常都是在非配合條件下就能夠獲取的生物特徵，如人臉。指紋在刑偵中也被用於特定人員的甄別，因為指紋可以實現非配合下的獲取。在公共安全中使用生物特徵進行關注人員甄別應用時，通常採用人臉識別和聲紋識別較為普遍。

數據

邊緣計算+規模化計算的結構化數據

上千萬的攝像頭和龐大的監控網路，瞬間就會產生海量監控視頻數據，從海量視頻數據中高效提取出有效的結構化數據，就成為智能安防的關鍵技術。而通過人工智慧演算法，則可自動抓取視頻中的目標圖片，並提取其語義化的屬性數據以及可用來比對檢索的特徵數據，形成以數據為驅動的決策機制，根據實時數據和各類型信息，調配和調控用戶的數據資源，最終實現系統的自動智能化和運行效率最優化。

難點

我國國土之大，讓了我們擁有大量的數據。但即便如此，對數據的需求也是遠遠不夠的，這也成為了人工智慧深度學習的一大難點。

對此，王生進教授為我們做了講解——目前，學術界採取遷移學習的做法來解決這類的問題。先讓其具有某種能力，再用小量數據進行微調。或是是從深度學習理論上解決這個問題。我們希望能夠設計出更高效的網路結構，讓網路結構有更高的效益，不需要提供很多的數據就能夠學的很好。

目前，華泰科捷與王生進教授團隊攜手合作，已經在進行數據上的第二種解決方案上實踐了。未來，華泰科捷與王生進教授在人工智慧「三駕馬車」上的突破必定會為中國人工智慧界做出更大的貢獻。

GIF

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！